Beschreibung
Azure Machine Learning ist ein Cloud-Dienst von Microsoft für den gesamten Lebenszyklus von Machine-Learning-Projekten, von Entwicklung über Training bis zum Betrieb in Produktion. Zentrale Organisationseinheit ist der Workspace, das Studio dient als Webportal mit no-code und code-first Arbeitsweisen für Data Scientists, ML Engineers und App-Entwickler. Modelle lassen sich direkt in der Plattform erstellen oder aus offenen Frameworks wie PyTorch, TensorFlow und scikit-learn mitbringen, automatisiertes ML übernimmt dabei Featurisierung und Algorithmenauswahl, während sich Hyperparameter-Tuning mit geringem Zusatzaufwand an der Job-Definition automatisieren lässt und verteiltes Training über mehrere Rechenknoten unterstützt wird.
Für den Betrieb setzt Azure Machine Learning eine Azure-Subscription voraus, und einzelne Endpoint-Arten verbrauchen dediziertes Compute, wofür die Subscription über ausreichend Quota verfügen muss. Serverless-Deployments verbrauchen dagegen keine Quota und werden nach Nutzung abgerechnet, Cloud-Solution-Provider-Subscriptions können solche Standard-Deployment-Modelle allerdings nicht über den Katalog beziehen. Daten werden ausschließlich in der gewählten Deploy-Region gespeichert und verarbeitet, und der SSH-Zugriff auf Compute-Ressourcen läuft über Public- und Private-Key-Paare statt über die sonst genutzte Rollenverwaltung mit Microsoft Entra ID.
Gegenüber cloud-agnostischen ML-Plattformen ist Azure Machine Learning vor allem für Teams sinnvoll, die bereits in der Azure-Umgebung arbeiten und durchgängige Governance, Rollenverwaltung über Microsoft Entra ID und Audit-Fähigkeit über den Modell-Lebenszyklus brauchen. Die Plattform deckt den vollen Weg von Training über Feintuning bis zum produktiven Managed Endpoint in einem System ab, statt nur einen einzelnen API-Zugang zu einem Modell bereitzustellen. Für schnelles, unkompliziertes Experimentieren einzelner Entwickler ohne Azure-Anbindung ist der Einstiegsaufwand entsprechend höher als bei schlankeren Modell-APIs.
